1.一种关于重新检测的快速多尺度估计目标跟踪方法，具体步骤如下：步骤一，训练滤波模板：

对目标跟踪器进行初始化，标记目标的初始区域，采用VGG-19网络提取目标的深度特征，建立最初的目标模板和尺度模板；

其中，目标模板的建立主要包括以下过程：

1)分类器在大小为M×N的图像块上，以目标位置为中心进行循环移位采样，产生的样本集记为xi，其中i∈{0，…M-1}×{0，…N-1}。每个样本xi都有一个与其相对应的回归标签yi，yi由高斯函数得到；采用分类器f(x)找到最小权重系数w，使得样本xi及其回归标签yi有最小的平方误差，训练分类器的最小代价函数为minw∑i[f(xi)-yi]2+λ||w||2 (1)其中λ是正则化参数；

得到w的闭式解为

w＝(XHX+λI)-1XHY (2)

其中X是循环矩阵的样本，Y是样本标签，XH表示复共轭转置矩阵，I是单位矩阵；

2)利用所有的循环矩阵都能够在傅氏空间使用离散傅里叶矩阵进行对角化的性质进行优化，循环矩阵对角化为： F为离散傅里叶矩阵，表示对x进行离散傅里叶变换，diag表示向量对角化，因此可以优化得到：其中 分别代表w、x、y的傅里叶变换，⊙表示元素点乘，*表示复共轭。

3)通过一个非线性映射函数 将样本映射到高维空间，并引入高斯核kxx＝k(x，x′)作为核函数，高斯核的计算公式为F-1表示离散傅里叶反变换，σ表示高斯核函数的带宽，*表示复共轭；x表示外观模型；

利用核函数的循环性质和卷积理论，得到目标滤波模板α的计算公式为其中，尺度滤波模板的计算方法如下：

首先初始化第一帧，提取目标区域图像特征xs，在定义的搜索区域内计算尺度样本标签ysi，ysi由高斯函数得到。

尺度滤波模板为：

其中， 分别是ysi和xs的傅里叶变换，⊙表示元素点乘，*表示复共轭，λ1＝0.0001是正则化参数；

步骤二，定位：

从第二帧开始，以前一帧的位置为中心，截取大小为M×N的图像块z，通过VGG-19网络提取目标的深度特征并与目标模板相卷积，得到目标的响应值以及估计的位置；使用公式(4)计算k(x，z)，计算相关响应f(z)其中，x为外观模型，F-1是傅里叶反变换，⊙表示元素点乘，是目标模板；

步骤三，检测：

1)基于峰值旁瓣比(PSR)和置信度平滑约束(SCCM)两个指标，重新构建一个新的检测指标Detection Criterion记为DC，即公式(8)：其中PSR是峰值旁瓣比，其定义为：

其中Fmax表示目标的最大响应值，μ和σ表示响应的均值和标准差；

SCCM是置信度平滑约束，其定义为：

其中Ft表示当前帧的目标响应值，Ft-1表示前一帧的目标响应值， 表示移位操作，Δ表示相邻两帧最大响应值位置的相对位移；

2)判断当前检测的结果的可靠性，当前检测指标DC大于设定的阈值时，则检测的结果的可靠，通过公式(6)和公式(7)对目标进行尺度估计；

当新的检测指标DC小于设定的阈值7时，则检测的结果的不可靠，进入步骤四重新检测阶段；

步骤四，重新检测：

当目标进入重新检测阶段时，通过EdgeBoxes算法在目标周围产生一系列的候选样本框集合；从中选出最优的目标候选框，将重新检测的结果反馈至跟踪框架，通过公式(6)和公式(7)进行目标尺度的估计；

步骤五，模型更新：

当t＞1时，通过以下的更新策略对目标的外观模型x和滤波模板α进行更新，如公式(11a)和(11b)所示。

其中，η＝0.02表示模型的学习率，t是帧数。

2.根据权利要求1所述关于重新检测的快速多尺度估计目标跟踪方法，其中，步骤一中，正则化参数λ＝0.0001，用来防止过拟合。

3.根据权利要求1所述关于重新检测的快速多尺度估计目标跟踪方法，其中，步骤一中，高斯核函数的带宽σ＝0.5。

4.根据权利要求1所述关于重新检测的快速多尺度估计目标跟踪方法，其中，步骤四中，当目标进入重新检测阶段时，通过EdgeBoxes算法在目标周围产生一系列的候选样本框集合，首先，提取这些候选样本框的特征，并根据公式(7)计算当前帧生成的候选样本框集合的得分，当确定了得分后，对这些候选框的得分进行排序，选取得分较高的n＝200个候选框，即设置一个最低得分阈值，将低于阈值的候选框删除；

其次，利用非极大值抑制(NMS)的方法过滤这些候选框，将候选框放入列表M，将与M中相对应的候选框得分放入列表N，选择具有最大得分的候选框X，将候选框X从M集合中移除并加入到最终检测结果Y列表中，计算M中剩余的候选框与X的重叠区域面积比例(IoU)，将IoU值大于阈值Nt的框从M中移除，重复这个过程，直到M为空；至此所有的候选框都过滤结束，并计算所筛选出的每个候选框与目标框之间的距离，选出距离最小的候选框即为最优的目标候选框。